1.一种基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,包括:S1、数据采集和处理:在2015recsyschallenge网站下载Yoochoose数据集和在cikm2016网站下载Diginetica数据集,清理脏数据;
S2、划分数据集:将处理好的数据集按8:1:1的比例划分为训练集、测试集和验证集;
S3、构建耦合模型:用基于图神经网络学习用户在行为会话中的动态偏好,用耦合关系感知器学习用户与项目特征耦合关系,并将两者融合进行推荐;
S4、训练模型和项目推荐:步骤S2中所得到的训练数据集和测试数据集分别用于训练和评估步骤S3构建的耦合模型,考虑用户关于时间序列方面的动态偏好以及相应用户/项目特征信息之间的耦合关系,根据用户对项目的预测评分判断是否将项目推荐给用户;
所述步骤S3中构建耦合模型的具体步骤如下:
S301、构建输入层:输入层包括3个输入内容,用户嵌入向量、项目嵌入向量及用户的行为序列信息;
S302、构建用户喜好动态预测模型、用户项目耦合关系分析模型以及基于会话序列动态行为偏好耦合关系分析的推荐方法;即构建基于会话序列动态行为偏好耦合关系分析的推荐方法学习框架;
S303、构建输出层:预测用户对项目的评分;
所述步骤S302中构建用户喜好动态预测模型、用户项目耦合关系分析模型以及基于会话序列动态行为偏好耦合关系分析的推荐方法的具体步骤如下:S302-1、构建用户喜好动态预测模型:通过输入用户的行为序列信息,连接图神经网络,学习用户的动态偏好;
S302-2、构建用户项目耦合关系分析模型:通过输入用户嵌入向量、项目嵌入向量,将用户嵌入向量、项目嵌入向量分别转化为指定维度的向量,代表用户及项目的基本特征,连接耦合关系感知器,学习用户项目的耦合关系;
S302-3、构建基于会话序列动态行为偏好耦合关系分析的推荐方法,将用户喜好动态预测模型的输出与用户项目耦合关系分析模型的输出输入到融合层进行融合,得到一个新的向量,然后由一个全连接层进行处理,输出最终的向量;
所述步骤S302-1构建用户喜好动态预测模型的具体步骤如下:S302-1-1、每个会话的序列信息转化为向量,将其作为GNN的输入;
S302-1-2、GNN算法学习出用户在序列行为中动态特征,输出用户的动态特征向量,将结果向量作为Attention网络的输入;
S302-1-3、Attention网络学习用户在序列行为中的动态特征,并将输入向量转化为用户的长期动态特征向量,与GNN算法输出的用户短期的动态特征拼接,作为模型下一层的输入;
所述步骤S302-2构建用户项目耦合关系分析模型的具体步骤如下:S302-2-1、将每个用户的基本信息及每个项目的基本信息分别转化为向量并进行嵌入操作,输出用户、项目的信息向量;将两向量输入到融合层进行融合,并将输出向量作为耦合关系感知器的输入;
S302-2-2、耦合关系感知器学习出用户-项目之间的耦合关系,并将输入向量转化为用户-项目耦合关系向量,作为模型下一层的输入;
所述步骤S302-3中训练模型和项目推荐的具体步骤如下:
S302-3-1、将用户喜好动态预测模型和用户项目耦合关系分析模型的输出向量用融合层进行融合,输出的向量作为全连接层的输入;
S302-3-2、通过全连接层学习用户项目交互关系,即用全连接层将用户项目关系转化为非线性交互;
S302-3-3、将上步产生的非线性关系用Sigmoid函数激活,从而压缩到范围[0,1]。
2.根据权利要求1所述的基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,所述步骤S1的数据采集和处理的具体步骤如下:S101、在2015recsyschallenge网站下载Yoochoose数据集和在cikm2016网站下载Diginetica数据集,做数据预处理,并清理脏数据;
S102、提取数据集中用户在会话序列的行为信息及用户、项目信息,将其转化为向量。
3.根据权利要求2所述的基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,所述步骤S4中训练模型和项目推荐的具体步骤如下:S401、构建损失函数:使用二分类交叉熵损失函数计算模型的损失值;
S402、构建优化函数:使用Adam作为模型的优化函数。